NumPy是Python中用于科学计算的基础软件包，提供了多维数据组对象，用于对数据进行快速的计算，NumPy包中最核心的类型是ndarray，封装了python原生的相同数据类型的 n 维数组，定义了一个执行矢量算术运算的n维数组，无需编写循环结构，就能对整个数组进行批量运算。通常情况下，导入NumPy，设置别名为np。
import numpy as np
Python原生数组是Array类型，ndarray和原生数组（Array）之间有几个非常明显的特征：
- ndarray对象在创建时有固定的大小，而原生数组对象可以动态增长，更改ndarray的大小将创建一个新数组并删除原始数组。
- ndarray对象中的元素类型是相同的，在内存中的大小相同。
- ndarry有助于对大量数据进行高级数学运算和其他类型的运算。
一，创建ndarray
ndarray是N-Dimension-Array的简称，该对象是一个快速而灵活的大数据集容器，该容器中存储的元素的数据类型都是相同的。
创建数组通常有：
- 从其他Python结构（例如，列表，元组）转换
- numpy原生数组的创建（例如，arange、ones、zeros等）
1，把Python 中array_like对象转换为Numpy数组
在Python中排列成array-like结构的数值数据可以通过使用array()函数转换为数组，最明显的例子是列表和元组。
a1 = np.array([1,2,3,4,5]) #1row a2 = np.array([[1,2,3,4,5] ,[6,7,8,9,10]])# 2row * 5col
通过array()函数，使用列表创建的是一维数组，使用嵌套的列表创建的是多维数组。
2，创建Numpy原生数组
通过arange()函数创建一维数组，数组的元素是一个序列，默认值start=0，不包括stop，step=1。
numpy.arange([start, ]stop, [step, ]dtype=None)
numpy.arange()的用法示例：
a = np.arange(10) #default start=0, end=10(exclude 10)，step=1 # [0 1 2 3 4 5 6 7 8 9] a1 = np.arange(5,10) # start=5, end=10（exclude=10），step=1 # [5 6 7 8 9] a2 = np.arange(5,20,2) # start=5, end=20（exclude 20），step=2 #[ 5 7 9 11 13 15 17 19]
可以使用reshape()函数重塑ndarray数组的shape，把12个元素的一维数组转换为3行4列的二维数组：
>>> np.arange(12).reshape(3,4) array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])
3，数组可以转换为列表
ndarray对象的tolist()函数可以把一个数组对象转化为list列表：
>>> np.arange(12).reshape(3,4).tolist()
[[0, 1, 2, 3], [4, 5, 6, 7], [8, 9, 10, 11]]
二，ndarray的属性
数组对象的属性主要有：
- dtype：描述数组元素的类型
- shape：以tuple表示的数组形状
- ndim：数组的维度
- size：数组中元素的个数
1，dtype对象
dtype是一个特殊的对象，它表示数组元素的类型。NumPy定义的跟平台无关的数据类型：
- 整数有符号系列：np.int8，np.int16，np.int32，np.int64
- 整数无符号系列：np.uint8、np.uint16、np.uint32、np.uint64
- 浮点数：np.float32、np.float64
- 布尔值：np.bool
2，shape对象
以元组形式表示一个数组的维度，前三个维度有名称：第一个维度是行，第二个维度是列，第三个维度是高
3，ndim对象
数组各个维度的元素数量
4，NumPy的常量
- np.Inf 表示无穷大
- np.nan 表示非数字
- np.pi
三，NumPy的数据类型
dtype（数据类型）是一个特殊的对象，每一个ndarray对象都有一个dtype，可以通过astype()函数强制转换数据元素的类型：
>>> arr=np.array([1,2,3]) >>> arr.dtype dtype('int32') >>> arr.astype(np.uint8) array([1, 2, 3], dtype=uint8)
NumPy支持的日期时间类型是：np.datetime64，日期单位是年（'Y'），月（'M'），周（'W'）和天（'D'）， 而时间单位是小时（'h'），分钟（'m'） ），秒（'s'）， 毫秒（'ms'）和一些额外的SI前缀基于秒的单位。 对于“非时间”值，datetime64数据类型还接受字符串“NAT”（不是时间）， 以小写/大写字母的任意组合。
np.datetime64('2005-02-25')
从字符串创建日期时间数组时，仍然可以通过使用具有通用单位的日期时间类型从输入中自动选择单位。
>>> np.array(['2007-07-13', '2006-01-13', '2010-08-13'], dtype='datetime64') array(['2007-07-13', '2006-01-13', '2010-08-13'], dtype='datetime64[D]')
np.arange()函数可以根据时间单位生成时间范围：
>>> np.arange('2005-02', '2005-03', dtype='datetime64[D]')
NumPy允许两个Datetime值相减，这个操作产生一个带有时间单位的数字。timedelta64的参数是一个数字（用于表示单位数），以及日期/时间单位，如 (D)ay, (M)onth, (Y)ear, (h)ours, (m)inutes, 或者 (s)econds。timedelta64数据类型也接受字符串“NAT”代替“非时间”值的数字。
>>> numpy.timedelta64(1, 'D')
Datetimes 和 Timedeltas 一起工作，为简单的日期时间计算提供方法。
>>> np.datetime64('2009-01-01') - np.datetime64('2008-01-01') numpy.timedelta64(366,'D') >>> np.datetime64('2009') + np.timedelta64(20, 'D') numpy.datetime64('2009-01-21')
四，形状操纵
一个数组的形状是由每个轴的元素数量决定的，可以通过reshape()和resize()函数来操纵数组的形状。
1，reshape函数
reshape()函数返回一个给定shape的数组的副本，不会修改原始数组：
numpy.reshape(a, newshape, order='C')
参数 newshape 表示数组的形状，对于二维数组，newshape是 (row, col) ，第一个维度是行数，第二个维度是列数。
例如，下面的代码把一个一维数组转换为4行2列的二位数组：
a=np.arange(8) np.reshape(a,(4,2))
2，resize函数
resize()函数会修改原始数组，不会返回任何数据，直接对原始数组进行修改：
ndarray.resize(new_shape, refcheck=True)
参数new_shape是元组或n个int数字，表示数组的形状。
>>> a.resize((2,6)) >>> a array([[ 2., 8., 0., 6., 4., 5.], [ 1., 1., 8., 9., 3., 6.]])
3，展开数组
ravel()用于返回数组的展开形式，在展开成一维数组时，最右边的索引“变化最快”。
numpy.ravel(a, order='C')[source]
举个例子，从行维度和列维度的最小值开始，依次增加，获取的元素依次排列，构成一维数组：
>>> x = np.array([[1, 2, 3], [4, 5, 6]]) >>> np.ravel(x) array([1, 2, 3, 4, 5, 6])
四，栅格数据
对于mgrid()函数，用于生成多维数据，参数是一个序列，常用于生成1维，2维和3维数据：
np.mgrid[ 第1维，第2维 ，第3维 ， …]
第n维的书写形式为：
start:end:step
如果step为整数，表示间隔，左闭右开；如果step为 int + j，表示点数，左闭右闭。
对于np.meshgrid()用于生成网格型数据，接受两个一维数组生成两个二维矩阵，对应两个数组中所有的(x,y)对。
np.meshgrid(x, y)
参考文档: